Sinergia digital: cómo se desarrollará la fusión de IA y Blockchain

En noviembre de 2022, OpenAI presentó el chatbot ChatGPT. Dos meses después de su lanzamiento, el número de usuarios activos del servicio alcanzó los 100 millones . En comparación, TikTok tardó unos nueve meses en alcanzar esta marca e Instagram más de dos años.

Para entonces, la IA generativa ya era bastante popular y el nuevo producto alimentó aún más el interés en el segmento. No es sorprendente que la ola de publicidad en torno a la inteligencia artificial (IA) no haya pasado por alto la industria de las criptomonedas .

Desde finales de 2022, se han podido observar periódicamente repuntes locales en los tokens de proyectos que, según aseguran los desarrolladores, utilizaron la tecnología. Sin embargo, algunos se muestran escépticos ante estos activos, creyendo, no sin razón, que el grado de integración de cualquier algoritmo es bajo.

Sin embargo, si bien existen opiniones diferentes y bastante polarizadas sobre los productos existentes, existe cierto consenso sobre la posible sinergia entre blockchain y la inteligencia artificial.

Muchos actores, incluidos los intercambios de cifrado y los aceleradores Web3 , creen que la fusión de la IA y la cadena de bloques beneficiaría a ambas industrias al permitir que cada una resuelva los problemas existentes. Algunos capitalistas de riesgo tienen una opinión similar. Por ejemplo, en mayo de 2023, se informó que Paradigm ampliaría sus intereses en IA .

¿Por qué los algoritmos de IA necesitan descentralización?

La narrativa sobre la sinergia entre la inteligencia artificial y blockchain no es nada nuevo. Sin embargo, el interés en este campo ha aumentado significativamente en los últimos años, como lo indican los datos de investigaciones relevantes .

La integración de redes distribuidas con servicios de IA tiene muchos beneficios a largo plazo para los desarrolladores de IA. Blockchain tiene el potencial de eliminar o al menos aliviar una serie de barreras críticas, como las relacionadas con la falta de potencia informática.

Esta sinergia también abre el acceso a opciones innovadoras de interoperabilidad. Por ejemplo, la tecnología DLT puede permitir ajustar modelos neuronales y recopilar conjuntos de datos más representativos para algoritmos de entrenamiento.

La integración de sistemas con inteligencia artificial, especialmente contratos inteligentes y en cadena, también beneficiará a la industria blockchain. La IA puede potencialmente mejorar el rendimiento de las redes distribuidas y convertirse en un importante motor de crecimiento para el sector de las finanzas descentralizadas (DeFi).

Todo el mundo tiene problemas

La historia de la inteligencia artificial como campo científico tiene casi 70 años. Sin embargo, la industria nunca ha logrado eliminar algunas de las barreras que impiden su adopción generalizada. Además, a medida que la industria ha evolucionado, han surgido nuevos desafíos.

A continuación, detallo algunos escenarios potenciales en los que las redes distribuidas pueden compensar ciertas limitaciones.

Escasez de energía

Las unidades de procesamiento de gráficos (GPU) son importantes para entrenar algoritmos e inferir consultas de los usuarios. Esto es particularmente evidente en el informe de Nvidia para el primer trimestre del año fiscal 2024 .

En el contexto del crecimiento del sector de la IA, se produjo un fuerte aumento en la demanda de GPU, lo que provocó una escasez significativa de microcircuitos . La situación era tan grave que los principales proveedores de servicios en la nube, como Google y Amazon, incluso empezaron a imponer restricciones a sus clientes.

Muchas empresas involucradas en la IA han recurrido a proveedores alternativos (por ejemplo, Lambda), pero también estaban cerca de sus límites de capacidad.

Las redes informáticas descentralizadas pueden solucionar el problema. Son intermediarios de facto que conectan a las organizaciones que necesitan potencia informática con los propietarios de sistemas que tienen los recursos necesarios.

Estas soluciones ofrecen precios más bajos en comparación con los proveedores de servicios centralizados. Esto se debe principalmente a la ausencia de costos adicionales para los proveedores conectados al sistema.

Hay dos tipos principales de este tipo de redes informáticas:

• Propósito general (GP). Estos incluyen servicios en la nube descentralizados que proporcionan recursos a diversas aplicaciones. Su modelo operativo se asemeja a un mercado: los clientes alquilan espacio para servidores a proveedores que fijan sus propios precios.
• Propósito especial (SP). Éstos, por el contrario, están diseñados para escenarios de uso específicos. Por lo general, su arquitectura combina recursos informáticos en un único grupo: una especie de computadora descentralizada. En este caso, el costo de los servicios está determinado por la dinámica del mercado o parámetros controlados por la comunidad. Un ejemplo aquí es Gensyn , que está diseñado para entrenar modelos de ML.

Las redes descentralizadas democratizan el acceso a la potencia informática. Esto reduce el costo de capacitación, ajuste de algoritmos y manejo de consultas de usuarios, que son tareas aún más intensivas desde el punto de vista computacional .

Sin embargo, a la comunidad le preocupa la velocidad de entrenamiento de modelos de ML en un recurso distribuido. Según Mohamed Fouda, miembro de la Alianza y socio de Volt Capital, puede ser uno o incluso dos órdenes de magnitud más lento que los métodos centralizados.

Los equipos ya están trabajando para optimizar el proceso de aprendizaje descentralizado. Los desarrolladores de Together estaban creando una solución que teóricamente eliminaba el cuello de botella, mientras que Gensyn intentaba aliviar los problemas que surgían al conectar diferentes hardware a la red.

Sin embargo, es probable que la comunidad tenga que ceder en un aprendizaje lento para ahorrar dinero.

Aprendizaje automático sin divulgación

Quiero destacar por separado los proyectos centrados en el aprendizaje automático de conocimiento cero (ZKML) .

Se utilizan diversos mecanismos, como entornos de ejecución confiables (TEE) y modelos de reputación, para garantizar el correcto funcionamiento en las redes informáticas. Pero cada enfoque tiene sus propias limitaciones e inconvenientes. Por ejemplo, un TEE puede tener un vector potencial de ataque al hardware.

Por lo tanto, una nueva ola de proyectos (Gensyn, Modulus Labs y Giza ) han comenzado a experimentar con la aplicación de la prueba de conocimiento cero (ZKP) para verificar la integridad computacional del ML.

ZKP es un protocolo criptográfico que permite a una parte (la parte que prueba) confirmar la veracidad de una afirmación a otra parte (la parte que verifica) sin revelar ninguna información adicional. El protocolo es bastante popular en la industria blockchain, ya que permite a los desarrolladores crear aplicaciones escalables y seguras.

Cuando se aplica al aprendizaje automático, ZKP oculta parte de los datos de entrada o el modelo en sí, si es necesario . Esto es especialmente relevante cuando los algoritmos funcionan en industrias altamente reguladas como la atención médica y las finanzas.

ZKML también tiene otras ventajas. El método, por ejemplo, permite demostrar que un algoritmo particular ha sido entrenado en un conjunto de datos estrictamente definido. En el caso de la IA propietaria, también permite verificar que el mismo modelo esté disponible para todos los usuarios.

Una desventaja de este enfoque es el proceso de generación de la evidencia en sí: es una tarea que requiere muchos recursos y su realización puede costar más que las operaciones originales. Esto significa que, en algunos casos, no resulta práctico calcularlo.

Sin embargo, ZKML es un vector de descentralización para la industria de la IA. Es importante en una situación en la que la concentración de tecnología en manos de un grupo reducido de actores es motivo de preocupación .

Autenticación de contenido

El desarrollo y la proliferación de la IA generativa han llevado a la aparición de deepfakes realistas. Los ejemplos incluyen imágenes fabricadas del Papa Francisco con una chaqueta de plumas Balenciaga y un vídeo de la escena de un atentado cerca del Pentágono .

Se pueden utilizar firmas criptográficas para combatir estas falsificaciones profundas: la identidad del creador del contenido se verifica haciendo coincidir el par de claves pública y privada. Un ejemplo de implementación son las redes sociales descentralizadas. Los proyectos basados en Lens Protocol vinculan cuentas de usuario a direcciones en una cadena de bloques pública, simplificando la identificación.

Los equipos de Bundlr y Arweave también están trabajando en estándares para toda la industria . Arweave prevé introducir especificaciones que requieran la integración de firmas criptográficas inmutables y marcas de tiempo en contenido digital registrado en un registro distribuido.

Sinergia entre IA y blockchain hacia la eficiencia

A largo plazo, blockchain mejorará la eficiencia del entrenamiento de modelos neuronales y puede cambiar la forma en que la industria realiza investigaciones.

Si bien la mayor parte de la investigación sobre blockchain se realizó en el ámbito académico en sus inicios, ahora está dominada por grandes empresas de tecnología. Esta situación limita la participación de laboratorios y particulares locales debido a la falta de incentivos y oportunidades de colaboración.

Las plataformas descentralizadas como Bittensor pueden solucionar las cosas. Estos son mercados donde los participantes son recompensados por su contribución al desarrollo y pueden compartir datos para entrenar modelos. Estas plataformas resultan especialmente atractivas a la hora de crear IA de código abierto.

Blockchain también facilita la aplicación del aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) . Este es un método que incorpora la retroalimentación humana en el proceso para ajustar el modelo neuronal.

RLHF le permite "pulir" el modelo, reduciendo la cantidad de resultados inexactos o sesgados. Por ejemplo, OpenAI lo utilizó para depurar GPT-3 y desarrollar ChatGPT.

El ajuste fino aumenta el rendimiento de los algoritmos y les permite adquirir experiencia en un dominio específico. A medida que crece la demanda de modelos tan altamente especializados, también crece la necesidad de que los expertos brinden retroalimentación.

Multicoin propone una forma de escalar el RLHF mediante pagos de incentivos en forma de tokens. Sin embargo, este enfoque tiene al menos dos problemas:

• Los expertos deben aceptar aceptar tokens como compensación, lo que limita la variedad de personas involucradas en el proceso de aprendizaje.

• Un sistema de este tipo debe protegerse de ataques manipulativos para mantener la precisión de la retroalimentación.

  
  

Sin embargo, proyectos como Hivemapper ya han puesto en práctica el método.

¿Qué tan inteligente puede ser un contrato inteligente?

Hay muchas áreas donde las plataformas blockchain pueden utilizar inteligencia artificial en diversos niveles, desde la infraestructura hasta la aplicación.

Sin embargo, los escenarios de mayor interés para la industria de las criptomonedas son aquellos en los que la IA opera directamente en un libro de contabilidad distribuido. En sentido general, existen dos formas de trasladar la actividad de los algoritmos a la blockchain:

• Permitir que agentes autónomos utilicen la infraestructura Web3 para realizar pagos y acceder a recursos digitales.
• Permita que los modelos neuronales interactúen con contratos inteligentes a través de ZKML.

Interesante, ¿no?

Pagos y recursos para agentes autónomos

Los agentes económicos autónomos (AEA) son sistemas autónomos basados en algoritmos de aprendizaje automático que realizan tareas específicas en nombre de sus propietarios sin su intervención directa en el proceso.

Los expertos esperan que a medida que avance la tecnología, los AEA se vuelvan más especializados , lo que conducirá a la proliferación de "sistemas multiagente".

Esto, a su vez, implicará el surgimiento de un mercado en el que algunos agentes puedan “contratar” a otros y pagarles una remuneración por realizar determinadas tareas. En este contexto, los pagos con criptomonedas probablemente serán preferibles a los pagos fiduciarios por varias razones:

• Las leyes existentes no permiten a las AEA abrir cuentas bancarias o utilizar las cuentas de los titulares de cuentas para realizar transacciones transfronterizas.
• Las criptomonedas eliminan la necesidad de intermediarios confiables.
• La infraestructura blockchain permite acuerdos más rápidos y económicos.

Las AEA podrán interactuar con redes de pago y de infraestructura física descentralizada (DePIN ). Los DePIN integran dispositivos de hardware; los sistemas informáticos analizados anteriormente también se pueden atribuir a este segmento.

Los DePIN darán a la IA acceso a recursos digitales como espacio en disco y potencia informática. Por ejemplo, si un algoritmo necesita crear un modelo 3D, puede usar Render Network para renderizar y Arweave para almacenamiento de datos en lugar de depender de soluciones centralizadas.

Integrando la IA en contratos inteligentes

La aplicación de modelos de IA en contratos inteligentes amplía significativamente sus capacidades. Las redes neuronales no solo abrirán el acceso a casos de uso innovadores sino que también aumentarán la eficiencia de las herramientas existentes.

Gran parte de esta integración se ve obstaculizada por los altos costos computacionales asociados con la implementación de algoritmos en blockchain. Sin embargo, usar ZKP para validar la ejecución exacta de modelos fuera de la cadena podría resolver este problema, ya que solo se puede colocar evidencia relevante en un registro distribuido.

Este enfoque permitirá que los contratos inteligentes tomen decisiones basadas en datos dinámicos sin limitarse a un conjunto de reglas codificadas. De esta manera, se volverán más autónomos, flexibles y sofisticados.

ZKML se puede utilizar en múltiples sectores industriales, incluidos DeFi, GameFi, DeSo (Descentralized Social) y DePIN.

Por ejemplo, en aplicaciones financieras descentralizadas, la IA puede ajustar los parámetros del protocolo en función de los parámetros actuales de la red. Un posible caso de uso es un protocolo de préstamo que utiliza un modelo de ML para ajustar el factor de garantía en tiempo real.

Otros escenarios incluyen la gestión automatizada de tesorería, la puntuación crediticia en cadena y la gestión de liquidez AMM .

Conclusión

Actualmente, existe una contradicción entre las industrias de la IA y la Web3 en el nivel lógico básico: la primera está altamente centralizada. Al mismo tiempo, este último se basa en los principios de una descentralización generalizada. En ocasiones, esta situación dificulta la integración de aplicaciones.

Sin embargo, la misma contradicción permite que los productos de estos dos sectores se complementen efectivamente y promuevan el desarrollo mutuo.

No hay garantía de que blockchain sea la base de futuros modelos neuronales o que los algoritmos se ejecuten en el núcleo de las plataformas descentralizadas.

Pero es seguro decir que la combinación de las dos tecnologías producirá muchas narrativas nuevas, algunas de las cuales resultarán bastante viables.